一种异构图像压缩感知的阶数自适应多假设重构方法技术

本发明专利技术面向泛化性较高的多假设预测压缩感知重构机制，提出一种阶数自适应多假设压缩感知重构方法。所提方法首先通过自适应线性预测器对各块进行预处理，根据预处理获得的相关性指标来改变多假设预测窗口大小，并依据块相似度对多假设窗口内的候选预测块进行排序，结合变换后的搜索窗口挑选不同数量的高相似候选预测块，进行多假设预测压缩感知重构的图像生成。本发明专利技术在异构图像集以及不同采样率下，对比传统多假设压缩感知重构方法以及现有基于多假设压缩感知的先进方法都具有良好的性能提升。本发明专利技术所提方法具有较低的时间复杂度与较高的恢复质量，综合性能更佳。综合性能更佳。综合性能更佳。

【技术实现步骤摘要】
一种异构图像压缩感知的阶数自适应多假设重构方法


[0001]本专利技术涉及多媒体信号处理
，具体为一种异构图像压缩感知的阶数自适应多假设重构方法。

技术介绍

[0002]随着社会的发展和大数据时代的到来，图像处理面对着越来越高清的信号数据和大维度的数据，信息网络传输需要及时的数据处理。虽然压缩感知(Compressive Sensing,CS)在减少观测数据方面具有明显优势，但仍存在单个数据处理量大、存储负担重、以及扩展等问题。这些因素推动了基于块的压缩感知(Block Compressive Sensing,BCS)技术的发展，用于分布式和快速的多媒体信号处理。简而言之，在过去的十年中，图像压缩感知领域的挑战包括使用随机采样算子时的高计算成本和大内存负担。解决方案包括使用结构随机矩阵。和将压缩感知采样限制在小块上：基于BCS的平滑投影Landweber重建及其离散小波变换域的多尺度变体提供比全图压缩感知采样技术更快的重构速度。BCS作为一种不断发展的图像压缩感知编码和解码框架，受到全球研究人员的广泛关注，并已成功应用于医学图像领域。
[0003]异构图像集是指在内容、外观或风格方面在视觉上有不同的图像集合。在图像处理中应用BCS技术解决了数据处理及维度灾难等问题。但产生了为异构图像集设计和优化块重构方法，以消除误差和块效应的需求。当前的先进多假设压缩感知重构方法，针对所用数据集进行了大量的参数优化，进一步使用外部图像数据针对所用数据集进行了拟合，在自然图像集下取得了优异的恢复质量。因此，它们应用于异构图像集的泛化能力受到了限制。基于深度学习的压缩感知技术存在着相同的拟合问题，针对图像压缩感知的深度学习模型能够高度适应训练数据的分布，从而获得出色的重建结果。但是当迁移到新实例时通常效果不佳，其用于重建特定模态的数据与训练数据库的分布不同。因此，应用于异构图像集时，基于深度学习的压缩感知重构方法的泛化性能仍然受到了一定程度的限制。如何研发适应异构图像集的多假设压缩感知技术，目前仍是一个公开难题。

技术实现思路

[0004]本专利技术要解决的技术问题是：在异构图像集下，设计一种泛化性强、综合性能优秀的多假设压缩感知重构方法，避免现有先进多假设压缩感知方法所采用的基于特定图像集进行学习拟合的局限性。
[0005]一种异构图像压缩感知的阶数自适应多假设重构方法，包括以下步骤：
[0006]步骤1、输入BCS重构生成的初始重构图像，对初始重构图像进行边长大小为B的子块划分，各子块编号为i(i＝1,
…
,n
subblock
)，n
subblock
代表总子块个数，并设置每个子块的初始搜索窗口大小w
i
＝w；
[0007]步骤2、循环执行以下步骤：
[0008]步骤2.1、利用自适应线性预测器对编号为i的子块统计邻居相关像素数量，记为
[0009]步骤2.2、将编号为i的子块的邻居相关像素数量，加入到从小到大排序的相关像素数量集合U中；
[0010]步骤3、循环执行以下步骤：
[0011]步骤3.1、对编号为i的子块，根据其在U中对应的邻居相关像素数量对搜索窗口大小进行更改；
[0012]步骤3.2、对编号为i的子块，若属于排序集合U中的前5％，则扩大搜索窗口；
[0013]步骤3.3、对编号为i的子块，若属于排序集合U中的后5％，则缩小搜索窗口；
[0014]步骤3.4、对编号为i的子块，若不属于排序集合U中的前后5％，保持搜索窗口不变；
[0015]步骤4、对编号为i的子块的搜索窗口大小信息，对子块的待选假设块进行按照欧几里得距离的排序进行挑选，构成多假设子块，采用多假设压缩感知进行图像重构；
[0016]步骤5、输出重构图像。
[0017]优选地，所述在步骤2.1阶段采用自适应线性预测器对各子块进行邻居相关像素数量计算，自适应线性预测对于当前块的任一待评估像素，其预测值可以表示为对其周围像素的线性组合，定义为其中其中k代表了自适应调整并计算确定的邻居相似像素数量，通过最小化进行确定，其中，为按照贝叶斯信息准则进行计算的比例分配系数，而代表了与评估像素相似度较高的训练集。
[0018]优选地，所述在步骤3.1、3.2、3.3阶段，依据集合U中各子块对应的邻居相关像素数量排序对搜索窗口大小进行改变，U中排序的前5％对应子块扩大搜索窗口，后5％对应子块缩小搜索窗口，其余子块维持不变。
[0019]优选地，所述在步骤4阶段中，对每个子块进行多假设压缩感知重构所需要的多假设图像块假设块集合定义为P
i
＝{h1,h
2,L
,||p1|≥p2|≥L}，根据每个子块窗口大小，对P
i
中的所有多假设图像块进行按照与待处理子块的欧几里得距离进行排序，挑选合适数量的多假设块，其中，对于扩大窗口大小的待处理子块，生成的假设块集合定义为其中，n
w
表示未变化前原有窗口大小内的假设块数量；而对于缩小窗口大小的待处理子块，生成的假设块集合定义为其中n
w”表示缩小搜索窗口后窗口大小内的假设块数量。
[0020]本专利技术所提方法不同于先进的基于学习的压缩感知方法，它们仍有对异构图像集泛化性不足的问题，因此需要为此类图像集设计高泛化性压缩感知重构方法。先进的压缩感知重构方法通常利用图像内部或外部先验进行压缩感知信号的重构恢复，并对所用图像集进行了参数优化，它们在处理与自然图像异构的图像集时可能存在重构性能的下降。而多假设压缩感知重构机制使用块周围信息进行迭代重构恢复，具有较好的泛化性，不针对某一特定图像集。为此，本专利技术面向泛化性较高的多假设预测压缩感知重构机制，提出一种阶数自适应多假设压缩感知重构方法。首先通过自适应线性预测器对各块进行预处理，根据预处理获得的相关性指标来改变多假设预测窗口大小，并依据块相似度对多假设窗口内的候选预测块进行排序，结合变换后的搜索窗口根据待处理块与多假设块的欧几里得距离，挑选不同数量的高相似候选预测块，进行多假设预测压缩感知重构的图像生成。综合上述说明，本专利技术具有较低的时间复杂度与较高的恢复质量，综合性能更佳、泛化性更强。
附图说明
[0021]图1是异构图像压缩感知的阶数自适应多假设重构方法流程图；
[0022]图2是多假设预测示意图；
[0023]图3是搜索窗口大小变化的示意图；
[0024]图4是块分类示意图。
具体实施方式
[0025]下面结合附图，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0026]一种异构图像压缩感知的阶数自适应多假设重构方法，包括以下步骤：
[0027]步骤1、输入分块压缩感知(BCS)重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异构图像压缩感知的阶数自适应多假设重构方法，其特征在于，包括以下步骤：步骤1、输入分块压缩感知(BCS)重构生成的初始重构图像，对初始重构图像进行边长大小为B的子块划分，各子块编号为i(i＝1,
…
,n
subblock
)，n
subblock
代表总子块个数，并设置每个子块的初始搜索窗口大小w
i
＝w；步骤2、循环执行以下步骤：步骤2.1、利用自适应线性预测器对编号为i的子块统计邻居相关像素数量，记为步骤2.2、将编号为i的子块的邻居相关像素数量，加入到从小到大排序的相关像素数量集合U中；步骤3、循环执行以下步骤：步骤3.1、对编号为i的子块，根据其在U中对应的邻居相关像素数量对搜索窗口大小进行更改；步骤3.2、对编号为i的子块，若属于排序集合U中的前5％，则扩大搜索窗口；步骤3.3、对编号为i的子块，若属于排序集合U中的后5％，则缩小搜索窗口；步骤3.4、对编号为i的子块，若不属于排序集合U中的前后5％，保持搜索窗口不变；步骤4、对编号为i的子块的搜索窗口大小信息，对子块的待选假设块进行按照欧几里得距离的排序进行挑选，构成多假设子块，采用多假设压缩感知进行图像重构；步骤5、输出重构图像。2.如权利要求1所述的一种异构图像压缩感知的阶数自适应多假设重构方法，其特征在于，所述在步骤2.1阶段采用自适应线性预测器对各子块进行邻...

【专利技术属性】
技术研发人员：刘浩，郑颙铣，魏国林，戎行之，黄震，廖荣生，胡敏，
申请(专利权)人：东华大学，
类型：发明
国别省市：